Escolar Documentos
Profissional Documentos
Cultura Documentos
Vitória-ES, Brasil
Fevereiro / 2014
Nadia Cardoso Moreira
Vitória-ES, Brasil
Fevereiro / 2014
Nadia Cardoso Moreira
Superfície Mínima Discreta/ Nadia Cardoso Moreira. – Vitória-ES, Brasil,
Fevereiro / 2014-
78 p. : il. (algumas color.) ; 30 cm.
CDU 02:141:005.7
Nadia Cardoso Moreira
Lhaylla Crissaff
CPF: 093.124.607-57
Membro Externo
Vitória-ES, Brasil
Fevereiro / 2014
Agradecimentos
Agradeço aos meus pais Antonio Alves Moreira e Ana Maria Cardoso pela educação,
apoio, carinho e força que me deram.
Ao meu orientador Prof. Dr. Fabiano Petronetto do Carmo pela instrução no meio
acadêmico, desde a época do PET. Por toda paciência e dedicação.
Aos meus amigos da Pós-Graduação. Em especial ao Silvano Junior, Oscar Londono,
Alcebiades Dalcol Júnior e Antonio Carlos Telau, que tornaram essa jornada muito mais
leve e divertida.
Aos meus amigos fora do meio acadêmico, que me apoiaram, me suportaram e
entenderam que minha ausência as vezes foi necessária.
Ao Departamento de Matemática e ao Programa de Pós-Graduação em Matemática
pela excelente formação.
Aos membros da banca Profa. Dra. Lhaylla Crissaff e Prof. Dr. Etereldes Gonçalves
Júnior, pela cuidadosa leitura do trabalho e contribuições para elaboração do texto final
da dissertação.
À CAPES pelo auxílio financeiro.
"Alguns nunca enlouquecem.
Que vida de merda eles devem
levar."
Charles Bukowski
Resumo
Figura 2 – O 2-simplexo σ possui sete faces: uma 2-face σ = [v0 , v1 , v2 ], que é o triângulo
gerado pelo 2-simplexo; três 1-faces σ6 = [v0 , v1 ], σ5 = [v0 , v2 ] e σ4 = [v1 , v2 ], que
são as arestas do triângulo; e três 0-faces σ3 = [v0 ], σ2 = [v1 ] e σ1 = [v2 ], que são os
vértices do triângulo. Para o 2-simplexo σ, as seis últimas faces são próprias. . . . 23
Figura 3 – A fronteira da aresta [v0 , v1 ] é dada pela união de seus vértices (0-faces). O triângulo
[v0 , v1 , v2 ] possui fronteira dada pela união de seus vértices e arestas (1-faces). Na
figura, destacamos em vermelho as faces de cada simplexo que definem suas fronteiras. 23
Figura 4 – K1 e K2 são exemplos de complexos simpliciais; enquanto K3 não é, uma vez que a
interseção dos seus simplexos σ1 e σ2 não é face própria de nenhum dos dois. . . . 24
Figura 5 – O complexo simplicial K é composto pelo simplexo [v0 , v1 , v2 ] e suas k-faces, donde
dim(K) = 2. L = {[v0 ], [v1 ], [v2 ], [v1 , v2 ]} é um subcomplexo de K e dim(L) = 1. . . 25
Figura 8 – Na esquerda ilustramos uma triangulação para uma superfície S de diversos pontos
de vista. Na direita, ilustramos a topologia da triangulação da superfície S, onde
o mapa de cores ilustra, para um dado vértice em S, o número de vértices que
pertencem ao elo deste. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Figura 9 – A alteração na geometria de um complexo simplicial pode não definir
um novo complexo simplicial. . . . . . . . . . . . . . . . . . . . . . . . 27
Figura 10 – Triângulo T formado pelos pontos pi−1 , pi e pi+1 . O vértice x ∈ T , e os triângulos
tj , j = i − 1, i, i + 1 delimitados pelo triângulo T e os segmentos de reta xpj , j =
i − 1, i, i + 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Figura 11 – A aresta (i, j) e seus ângulos opostos αij e βij . . . . . . . . . . . . . . . 35
Figura 12 – Triângulo T formado pelos pontos pi−1 , pi e pi+1 . . . . . . . . . . . . . . . . . 38
Figura 13 – Formato da matriz de cotangentes S. . . . . . . . . . . . . . . . . . . . 47
Figura 14 – A superfície inicial (à esquerda, a fronteira (centro) e a superfície miníma discreta
(direita) obtida pelo algoritmo em apenas dois passos. . . . . . . . . . . . . . . 60
Figura 15 – (a) A superfície inicial M0 com 1741 pontos, onde a cor representa a distância do
vértice ao plano xy, ou seja, a coordenada z. (b) Destacamos os vértices e arestas
da fronteira de ∂M0 . (c) Superfície mínima discreta M2 obtida pelo algoritmo. . . 61
Figura 16 – Da esquerda para a direita, a superfície inicial M0 com 121 pontos; a curva que
define a fronteira da superfície miníma durante o algoritmo ∂M0 ; e a superfície M2
obtida pelo nosso algoritmo. . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Figura 17 – À esquerda temos a superfície inicial M0 com 121 pontos, ao centro a fronteira ∂M0
a ser fixada ao longo do algoritmo e à direta temos a superfície M47 obtida pelo
nosso algoritmo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 18 – Dados obtidos tomando a superfície da Figura 17 (à esquerda) como
superfície inicial e tomando a curva da Figura 17 (centro) como condição
de contorno. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 19 – (a) Superfície inicial M0 com 448 pontos e (b) a fronteira da superfície mínima ∂M0
que é utilizada como condição de contorno no algoritmo. . . . . . . . . . . . . . 65
Figura 20 – Sequência de algumas superfícies obtidas ao longo das iterações: M4 (esquerda), M9
(centro) e a superfície final M19 (direita). . . . . . . . . . . . . . . . . . . . . 65
Figura 21 – Dados obtidos tomando a superfície da Figura 19a como superfície
inicial e tomando a curva da Figura 19b como condição de contorno. . 66
Figura 22 – Duas discretizações da superfície definida por três quadrados nos planos
x = 0, x = 1 e z = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Figura 23 – Relação entre o tempo que o algoritmo levou para convergir tomando as tolerâncias
= 1E − 02, 1E − 04, 1E − 06, para cada superfície inicial. . . . . . . . . . . . 67
Figura 24 – À esquerda temos a superfície M0 com 1360 pontos, tomada como aproximação
inicial para o nosso algoritmo, e à direita ilustramos a fronteira que é fixada ao
longo do algoritmo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Figura 25 – Sequência de superfícies obtidas ao longo do algoritmo tomando = 1E − 06 como
tolerância para obter uma catenóide. A coloração das superfícies varia de acordo
com a média da curvatura média dos pontos. . . . . . . . . . . . . . . . . . . 68
Figura 26 – Dados obtidos tomando a superfície da Figura 24a como superfície
inicial e = 1E − 06 como tolerância. . . . . . . . . . . . . . . . . . . . 68
Figura 27 – A esquerda o exemplo do Raio de uma catenóide e o gráfico da Catenária y =
z
a cosh a , à direita o gráfico comparando o valor do Raio da sequência de superfícies
Mk gerada ao longo do algoritmo com o Raio da catenóide. . . . . . . . . . . . 69
Figura 28 – Cilindros utilizados para analisarmos o convergência do algoritmo no
caso da catenóide quando tomamos superfícies iniciais mais discretizadas. 70
Figura 29 – Os gráficos ilustram as áreas (esquerda) e os Raios (direita) das superfícies obtidas
pelo algoritmo a partir das diferentes superfícies iniciais tomadas de acordo com a
Figura 28 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Figura 30 – Dados iniciais do algoritmo: (a) superfície inicial M0 com 361 pontos e (b) fronteira
da superfície ∂M0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Figura 31 – Sequência de superfícies obtidas durante o algoritmo tomando como dados iniciais a
superfície inicial e a fronteira ilustradas na Figura 30. . . . . . . . . . . . . . . 71
Figura 32 – Dados obtidos tomando a superfície da Figura 30 (à esquerda) como
superfície inicial e tomando a curva da Figura 30 (à direita) como
condição de contorno. . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Figura 33 – Superfície inicial M0 com 133 pontos (à esquerda) e a fronteira ∂M0 (à direita). . 72
Figura 34 – Temos à esquerda a superfície obtida tomando = 1E − 03 como tolerância e à
direita o comportamento do critério E1 ao longo das iterações. . . . . . . . . . . 73
Figura 35 – Superfície inicial utilizada (à esquerda) e uma das superfícies obtida ao
longo do algoritmo (à direita) tomando = 1E − 04 como tolerância. . 73
Figura 36 – Superfícies mínimas geradas pelas aplicações Re(z 2 ) e Im(z 4 ) e as
superfícies iniciais utilizadas no Exemplo 2. . . . . . . . . . . . . . . . 74
Figura 37 – Superfície utilizada como aproximação inicial para o nosso algoritmo
(à esquerda) e o comportamento do critério E1 ao longo das iterações
tomando = 1E − 06 como tolerância. . . . . . . . . . . . . . . . . . . 74
Sumário
Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1 Malhas Poliédricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.1 Simplexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2 Complexos Simpliciais em Rn . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3 Espaços de Elementos Finitos . . . . . . . . . . . . . . . . . . . . . . . . 28
2 Superfície Mínima Discreta . . . . . . . . . . . . . . . . . . . . . . . 29
2.1 Superfície Mínima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Energia de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 Área Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4 Energia de Dirichlet e Área . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Aspectos Numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1 O Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 O Método do Gradiente Conjugado como Método de Descida Acentuada 50
3.2.1 Método de Descida Acentuada . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.2 Gradiente Conjugado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.1 Exemplo 1: Superfícies Planares . . . . . . . . . . . . . . . . . . . . . . 60
4.1.1 Ponto-Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.1.2 Semi-Esfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Exemplo 2: Superfícies Complexas . . . . . . . . . . . . . . . . . . . . . 62
4.2.1 Re(z 2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2.2 Im(z 4 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3 Exemplo 3: Tempo de processamento × Tolerância e Discretização . . . 64
4.4 Exemplo 4: Catenóide . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.5 Exemplo 5: Scherk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.6 Exemplo 6: Limitações . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
19
Introdução
1 Malhas Poliédricas
Veremos mais adiante que o algoritmo desenvolvido por Pinkall e Polthier determina
uma sequência de superfícies a partir de uma borda fixada modificando apenas as posições
dos vértices de uma superfície inicial. Antes disso é necessário definirmos o modelo numérico
de superfície que será utilizado no algoritmo.
Existe uma gama de modelos numéricos de superfícies utilizados na prática com-
putacional (ZIEGLER, 1995), (BLOCH, 1997), (MUNKRES, 1984). Nesta dissertação
estamos interessados apenas em malhas conformes (POLTHIER, 2005), onde dois polígonos
são disjuntos, têm uma aresta em comum ou têm um vértice em comum; por exemplo,
não será permitido que um polígono contenha o vértice de outro polígono no interior de
alguma de suas arestas.
No nosso trabalho, desassociamos a geometria e a topologia da superfície numérica,
neste intuito introduziremos o conceito de complexo simplicial que irá determinar a
topologia da superfície numérica. A essa estrutura topológica iremos adicionar uma
geometria dada simplesmente pela posição geométrica no qual um vértice topológico se
encontra no espaço.
Por último, definiremos o espaço de funções sobre o qual o funcional Energia de
Dirichlet será minimizado a cada iteração do método de Pinkall e Polthier, de forma que a
sequência de superfícies gerada não tenha alteração na topologia com relação a superfície
inicial.
1.1 Simplexos
Neste trabalho iremos discretizar uma superfície contínua por meio de uma superfície
triangulada. Antes de estabelecermos o que é uma superfície triangulada, é necessário
definirmos suas entidades mais simples formadas por simplexos, e os complexos simpliciais
que determinam a ligação entre os simplexos.
No que se segue, em todos os resultados apresentados, consideramos o espaço
euclidiano de dimensão n, n um inteiro positivo,
Rn = {x = (x1 , . . . , xn ) | xi ∈ R} .
convexo (m m
)
+
X X
[v0 , v1 , . . . , vm ] = αi vi | αi ∈ R e αi = 1
i=0 i=0
v1 v1
v0
v0
v0 v2
0-simplexo 1-simplexo 2-simplexo
O simplexo possui esse nome por ser o mais simples de sua dimensão. Por exemplo,
um triângulo em R2 é o polígono com menor número de vértices e arestas, o tetraedro
em R3 é o que possui menos vértices e arestas e faces, e assim por diante. Em termos
topológicos, um simplexo generaliza o conceito de triângulo a outras dimensões.
Um simplexo pode ser decomposto em simplexos de dimensões menores que ou
igual a sua dimensão. Em particular, a união de alguns simplexos de dimensões menores
do que a dimensão do simplexo define a fronteira do simplexo.
v1
v1 σ2
v1
v1
σ4
v2
v2 σ1
σ6 v2
σ v0
v2 σ5 σ3
v0
v0
v0
Figura 2 – O 2-simplexo σ possui sete faces: uma 2-face σ = [v0 , v1 , v2 ], que é o triângulo gerado pelo
2-simplexo; três 1-faces σ6 = [v0 , v1 ], σ5 = [v0 , v2 ] e σ4 = [v1 , v2 ], que são as arestas do
triângulo; e três 0-faces σ3 = [v0 ], σ2 = [v1 ] e σ1 = [v2 ], que são os vértices do triângulo.
Para o 2-simplexo σ, as seis últimas faces são próprias.
v0 v0
v2
v1 v1
Figura 3 – A fronteira da aresta [v0 , v1 ] é dada pela união de seus vértices (0-faces). O triângulo
[v0 , v1 , v2 ] possui fronteira dada pela união de seus vértices e arestas (1-faces). Na figura,
destacamos em vermelho as faces de cada simplexo que definem suas fronteiras.
que não sejam faces próprias entre os simplexos do complexo simplicial K. Por exemplo,
a interseção de 2-simplexos com algum outro simplexo de K pode ser apenas vértices
ou arestas e a interseção de 1-simplexos com outro simplexo de K se restringe apenas a
vértices.
A figura 4 ilustra 3 coleções de simplexos. A coleção K1 é composta por um 2-
simplexo σ e suas faces próprias, as coleções K2 e K3 são compostas por simplexos de
dimensão menor ou igual a dois e suas faces próprias. As coleções K1 e K2 são exemplos
de complexos simpliciais, enquanto K3 não é um complexo simplicial, pois a interseção
dos simplexos σ1 e σ2 de K3 não é vazia e também não é uma face própria dos simplexos,
contrariando o item 2 da Definição 1.4.
K1 K2 K3
σ1 σ2
σ1
σ σ4 σ2
σ3
Figura 4 – K1 e K2 são exemplos de complexos simpliciais; enquanto K3 não é, uma vez que a interseção
dos seus simplexos σ1 e σ2 não é face própria de nenhum dos dois.
v0 v0
v1 v2 v1 v2
K L
Figura 5 – O complexo simplicial K é composto pelo simplexo [v0 , v1 , v2 ] e suas k-faces, donde dim(K) =
2. L = {[v0 ], [v1 ], [v2 ], [v1 , v2 ]} é um subcomplexo de K e dim(L) = 1.
1. estrela de σ:
2. elo de σ:
V (σ) := {η ∈ σ ∗ | η ∩ σ = ∅}.
v1
v0 v0
Figura 6 – Na esquerda, destacamos em vermelho a estrela σ0∗ do vértice σ0 = [v0 ]. Na direita, destacamos
a estrela σ1∗ da aresta σ1 = [v0 , v1 ].
26 Capítulo 1. Malhas Poliédricas
v3
v1
v0 v0
v2
Figura 7 – À esquerda, o elo do vértice σ0 = [v0 ] é destacado (em vermelho), e à direita, destacamos
(em vermelho) o elo V (σ1 ) = {[v2 ], [v3 ]} da aresta σ1 = [v0 , v1 ].
Com todas entidades mais simples bem definidas, agora podemos estabelecer o
conceito de superfície triangulada, que estende a noção de uma 2-variedade topológica
para o mundo simplicial.
D = {x ∈ R3 | |x| = 1}.
Figura 8 – Na esquerda ilustramos uma triangulação para uma superfície S de diversos pontos de vista.
Na direita, ilustramos a topologia da triangulação da superfície S, onde o mapa de cores
ilustra, para um dado vértice em S, o número de vértices que pertencem ao elo deste.
Finalizamos esta seção observando que na prática, durante o algoritmo que ire-
mos apresentar, podem ocorrer situações degeneradas nos complexos simpliciais, como
ilustramos na Figura 9. A geometria de um determinado complexo simplicial é alterada,
porém, sem alterar a topologia do mesmo, formando novos conjuntos de simplexos que não
definem mais um complexo simplicial. O caso degenerado à esquerda mostra que houve um
colapso de um vértice de um triangulo com a sua aresta oposta neste mesmo triângulo. O
caso degenerado à direita houve um colapso de dois vértices opostos a uma mesma aresta
em um único novo vértice formando a partir daí um único triângulo.
T3 T2 = T3
T4
T2
T4
T1 T1
P P
Definição 1.10. Seja M uma superfície triangulada. Definimos S, o espaço formado pelas
funções contínuas e lineares por partes sobre M , como
ϕi (pj ) = δij ,
onde uj = u(pj ) ∈ R3 . Logo, toda função u em S pode ser unicamente determinada pelo
vetor (u1 , u2 , . . . , un ) ∈ R3n .
29
2
Superfície Mínima Discreta
Area : F → R Z
f → Area(f ) = Jacobiano(f (x))dx; x = (x, y, z) ∈ Ω.
Ω
ED : F → R
1Z
f → ED (f ) = k∇f (x)k2 dx; x = (x, y, z) ∈ Ω.
2 Ω
EC (f ) = ED (f ) − A(f (M )) ≥ 0; M ∈ R3 . (2.1)
Logo, a Energia de Dirichlet de uma aplicação u ∈ S é dada pela soma das Energias
de Dirichlet das restrições u|T para cada T ∈ T , uma vez que as aplicações u|T : T → R3
são suaves.
2.2. Energia de Dirichlet 31
Lema 2.2. Seja T = [pi−1 , pi , pi+1 ] um triângulo de uma superfície triangulada; com
arestas orientadas {−c−→ → − −−→ →
−
i−1 , ci , ci+1 } onde cj = pj−1 − pj+1 . Seja ϕj : T → R a função base
de Lagrange com respeito ao vértice pj com ϕj (pk ) = δjk e A a área do triângulo T . Então,
para cada j = i − 1, i, i + 1 é verdade que:
1 →
1. ∇ϕj |T = J−
cj em T,
2A
2. ∇ϕi−1 + ∇ϕi + ∇ϕi+1 = 0 em T,
− cot(αj )
3. < ∇ϕj−1 , ∇ϕj+1 >= em T ;
2A
π
onde J representa a rotação de 2
orientada sobre o plano que contém o triângulo T e αj é
o ângulo oposto à aresta →
−
cj .
Area(tj )
com αi−1 + αi + αi+1 = 1, onde αj = , j = i − 1, i, i + 1; e os triângulos
A
ti−1 , ti , ti+1 são obtidos conforme a Figura 10.
p
i
ti+1 ti-1
_
x
ti
p p
i-1 i+1
Se j ∈ {i − 1, i, i + 1} então
ϕj (x) = αj .
32 Capítulo 2. Superfície Mínima Discreta
onde
w1 := (b2 − b1 )(z − c1 ) − (c2 − c1 )(y − b1 )
w2 := (c2 − c1 )(x − a1 ) − (a2 − a1 )(z − c1 )
w3 := (a2 − a1 )(y − b1 ) − (b2 − b1 )(x − a1 ).
Então, q
w12 + w22 + w32
ϕj (x) = .
2A
Agora podemos obter o gradiente de ϕj . Suas derivadas parciais são dadas por
Portanto,
î ĵ k̂
1
∇ϕj = det w1 w2 w3
2Af (x)
a2 − a1 b 2 − b 1 c 2 − c 1
1
= {[(pj−1 − pj+1 ) × (x − pj+1 )] × (pj−1 − pj+1 )}
2Af (x)
1
= {[→
−
cj × (x − pj+1 )] × →
−
cj } .
2Af (x)
{[→
−
cj × (x − pj+1 )] × →
−
cj }
Observe que se J →
−
cj = , então a tese ∇ϕj |T = J →
−
cj ; j =
f (x)
i − 1, i, i + 1 é verificada. De fato, de acordo com (BAJD; MIHELJ; MUNIH, 2013),
2.2. Energia de Dirichlet 33
→
− h→
−
cj × (x − pj+1 ), →
−
cj i →
− {[→
−
cj × (x − pj+1 )] × →
−
cj }
J cj = 2 [ cj × (x − pj+1 )] + .
[f (x)] f (x)
Como →
−e e→−
c são ortogonais, então h→
j
−
c × (x − p ), →
j
−
c i = 0 e teremos que
j+1 j
{[→
−
cj × (x − pj+1 )] × →
−
cj }
J→
−
cj = .
f (x)
Uma vez que J representa uma rotação, ela não altera o tamanho dos vetores, isto é,
kJ −
c−→ −−→ −−→ −−→
j−1 k = kcj−1 k, kJ cj+1 k = kcj+1 k. Note, também, que o ângulo interno entre os
k−
c−→ −−→
j−1 kkcj+1 k
Por sua vez, a área A do triângulo T pode ser expressa como sen(αj ).
2
Portanto,
cot(αj )
h∇ϕj−1 , ∇ϕj+1 i = − .
2A
• Como consequência do item anterior temos que ED (u) = 3i=1 ED (ui ), ou seja, a
P
αij βij
pj
Figura 11 – A aresta (i, j) e seus ângulos opostos αij e βij .
Demonstração. Por simplicidade vamos considerar a aplicação u : M → R , posteriormente
generalizar para o caso desejado u : M → R3 .
1 XZ
Já sabemos que ED (u) = k∇u|T k2 dx. Considere T = {pi−1 , pi , pi+1 }, então
2 T ∈T T
i+1 i+1 i+1 i+1
2 2 2
X X X X
2
k∇u|T k =k uj ∇ϕj k = |uj | k∇ϕj k + 2 < uj ∇ϕj , uk ∇ϕk >
j=i−1 j=i−1 j=i−1 k=i−1
k6=
j
i+1 i+1
|uj |2 k∇ϕj k2
X X
= +2 < uj ∇ϕj , uk ∇ϕk >
.
j=i−1 k=i−1,
k6=j
i+1
|uj−1 − uj+1 |2 < ∇ϕj−1 , ∇ϕj+1 > .
X
=−
j=i−1
onde αj é o ângulo oposto a aresta →−cj . Se percorrermos o somatório sobre as arestas (i, j)
de M para cada aresta teremos o fator 14 [cot(αij ) + cot(βij )]|ui − uj |2 onde αij e βij são os
ângulos opostos à aresta (i, j), como na Figura 11. Caso a aresta (i, j) pertença a apenas
um triângulo o fator será da forma 14 [cot(αij )]|ui − uj |2 onde αij é o único ângulo oposto a
esta aresta. Portanto,
1 X
ED (u) = [cot(αij ) + cot(βij )] |ui − uj |2 . (2.5)
4 (i,j)∈A(M )
1 X X
ED (u) = [cot(αij ) + cot(βij )] |ui − uj |2 ,
8 pi ∈M j∈Vi
o somatório precisou ser multiplicado por 12 , pois ao percorrer o vértice i e depois o vértice
j ∈ Vi contamos a aresta (i, j) duas vezes. Dessa forma se pi ∈ int(M ) e ui = u(pi ), a
derivada parcial da Energia de Dirichlet com respeito a ui pode ser expressa da seguinte
forma
1 ∂ X X
∂
∂ui
ED (u) = [cot(αij ) + cot(βij )] (ui − uj )2
8 ∂ui pi ∈M j∈Vi
1 X X ∂ h i
= [cot(αij ) + cot(βij )] (ui − uj )2
8 pi ∈M j∈Vi ∂ui
1 X
= [cot(αij ) + cot(βij )] (ui − uj )
4 j∈Vi
X
+ [cot(αji ) + cot(βji )] (−1)(uj − ui ) .
j∈Vi
Já que as arestas (i, j) e (j, i) são as mesmas, exceto por uma questão de orientação, os
ângulos opostos à elas são os mesmos, isto é, [cot(αij ) + cot(βij )] = [cot(αji ) + cot(βji )].
Logo,
∂ 1 X
ED (u) = [cot(αij ) + cot(βij )] (ui − uj ). (2.6)
∂ui 2 j∈Vi
3
ED (uk ),
X
ED (u) =
k=1
2.3. Área Discreta 37
1 X
∇ui ED (u) = [cot(αij ) + cot(βij )] (u1i − u1j , u2i − u2j , u3i − u3j )
2 j∈Vi
1 X
= [cot(αij ) + cot(βij )] (ui − uj ).
2 j∈Vi
∇ui ED (umin ) = 0
Area : S −→ R Z
u −→ Area(u(M )) = det (Jacobiano(u(x))) dx; x = (x, y, z) ∈ M.
M
Lema 2.5. Seja T um triângulo não degenerado com vértices {pi−1 , pi , pi+1 } e ângulos
{αi−1 , αi , αi+1 } como na Figura 12. Uma vez que ci é a norma do segmento oposto ao
ângulo αi , a área do triângulo T é dada por
1
A(T ) = [(ci−1 )2 cot(αi−1 ) + (ci )2 cot(αi ) + (ci+1 )2 cot(αi+1 )] (2.7)
4
αi−1 + αi+1 = π − αi
⇓
cos(αi−1 + αi+1 ) = cos(π − αi ) = − cos(αi )
Daí, " #
1 cos(αi ) cos(αi−1 ) cos(αi+1 )
A(T ) = (ci )2 + (ci )2 (2.8)
2 sen(αi ) sen(αi )
De maneira semelhante podemos obter
" #
1 cos(αi+1 ) cos(αi−1 ) cos(αi )
A(T ) = (ci+1 )2 + (ci+1 )2 (2.9)
2 sen(αi+1 ) sen(αi+1 )
1h 2 i
= (ci ) cot(αi ) + (ci+1 )2 cot(αi+1 ) + (ci−1 )2 cot(αi−1 )
2
⇓
1h i
A(T ) = (ci−1 )2 cot(αi−1 ) + (ci )2 cot(αi ) + (ci+1 )2 cot(αi+1 ) . (2.10)
4
Proposição 2.6. Seja M uma superfície triangulada com vértices {pj }. Então, se M não
possui triângulos degenerados, sua área é dada por
1 X
Area(M ) = [cot(αij ) + cot(βij )] kpi − pj k2 , (2.11)
4 (i,j)∈A(M )
onde αij e βij são os ângulos opostos à aresta formada pelos vértices pi e pj (Figura 11).
40 Capítulo 2. Superfície Mínima Discreta
Demonstração. Seja M uma superfície triangulada de vértices {pj }, sem triângulos dege-
nerados. Então
X
Area(M ) = A(T )
T ∈T
ou seja, a área de M é a soma das áreas dos triângulos T ∈ T formado pelos vértices
{pi−1 , pi , pi+1 }, como na figura 12.
Sabendo que cj é a norma do segmento oposto ao ângulo αj do vértice pj , o lema
2.5 mostra que
1h i
A(T ) = kpi+1 − pi k2 cot(αi−1 ) + kpi+1 − pi−1 k2 cot αi + kpi − pi−1 k2 cot(αi+1 )
4
e, substituindo o somatório sobre os triângulos pelo somatório nas arestas da triangulação,
obtemos
1 X
Area(M ) = [cot(αij ) + cot(βij )] kpi − pj k2 .
4 (i,j)∈A(M )
Afim de obter uma caracterização para uma superfície mínima discreta vamos
utilizar a definição a seguir, que estabelece quando uma superfície é mínima de acordo
com o funcional da Área, e a Proposição 2.8, que fornece uma caracterização geométrica
para o funcional da Área. Relacionando-as conseguimos um sistema de equações lineares
que devem ser satisfeitas afim de que uma superfície triangulada M seja mínima.
Uma vez as arestas (i, j) e (j, i) são as mesmas, exceto por uma questão de orientação, os
ângulos opostos à elas também
" são os mesmos
# e [cot(αij ) + cot(βij )] = [cot(αji ) + cot(βji )].
∂
Como ∇pi Area(M ) = Area(M ) temos que
∂pki k=1,2,3
1 X
∇pi Area(M ) = [cot(αij ) + cot(βij )] (pi − pj ).
2 j∈Vi
Pela definição 2.7, como M é mínima então ∇pi Area(M ) = 0, ∀pi ∈ int(M ). Então
1 X
∇pi Area(M ) = [cot(αij ) + cot(βij )] (pi − pj ) = 0.
2 j∈Vi
m
1 X
ED (id|M ) = (cot αij + cot βij )kpi − pj k2 .
4 (i,j)∈A(M )
Portanto, Area(M ) = ED (id|M ), como desejado.
Agora, seja pi um vértice interior de M , pela Proposição 2.8
1 X
∇pi Area(M ) = (cot αij + cot βij )(pi − pj )
2 j∈Vi
m
1 X
∇pi ED (id|M ) = (cot αij + cot βij )(pi − pj ).
2 j∈Vi
Logo,
1 X
∇pi Area(M ) = ∇pi ED (id|M ) = (cot αij + cot βij )(pi − pj ).
2 pj ∈Vi
A partir deste fato, no próximo capítulo, vamos desenvolver nosso algoritmo para obter
superfícies mínimas discretas.
43
3 Aspectos Numéricos
3.1 O Algoritmo
Agora iremos utilizar o método sugerido por (PINKALL; POLTHIER, 1993) para
definir uma sequência de superfícies trianguladas, e mostrar que a sequência converge para
uma Superfície Mínima Discreta. É necessário definirmos previamente:
Mk
⇓
umink ∈ Sk ; ∇p ED (umink ) = 0 ∀p ∈ int(Mk )
⇓
Mk+1 .
seja satisfeito para um dado > 0 suficientemente pequeno. Pelas equações 2.1, 2.13 temos
que:
ED (umink−1 ) ≥ Area(Mk ) = ED (id|Mk ) ≥ ED (umink ) ≥ Area(Mk+1 ),
⇓
−ED (umink−1 ) ≤ −Area(Mk+1 )
ED (umink ) ≤ Area(Mk )
Portanto, faz sentido utilizarmos |Area(Mk+1 ) − Area(Mk )| < como critério de conver-
gência.
No que segue, iremos mostrar que para encontrar os pontos {umink (int(Mk ))}
basta resolver um sistema linear positivo definido; ou seja, para determinar os pontos da
superfície Mk+1 basta resolver um sistema linear que possui única solução.
Considere a triangulação de Mk ∈ M com pontos P = {p1 , . . . , pB , pB+1 , . . . , pB+I }
onde pi ∈ ∂Mk para i ≤ B e pi ∈ int(Mk ) quando i > B. Como os pontos da fronteira
são fixados, defina X = [p1 , . . . , pB , xB+1 , . . . , xB+I ] a triangulação de Mk+1 e a matriz
S ∈ MB+I (R) da seguinte forma: para i 6= j, defina
− 12 [cot(αij ) + cot(βij )] ; (i, j) ∈ A(Mk )
Sij =
0 ; (i, j) ∈
/ A(Mk ),
onde αij , βij são os ângulos opostos a aresta (i, j) ∈ A(Mk ). E na diagonal, defina
X
Sii = (−Sij ).
j6=i
1
[cot(αij ) + cot(βij )] kui − uj k2
X
ED (umink ) =
4 (i,j)∈A(Mk )
1 B+I
(−Sij ) kui k2 − 2hui , uj i + kuj k2
X
=
2 i,j=1
1 B+I B+I B+I
(−Sij ) kui k2 + 2 (−Sij ) kuj k2
X X X
= Sij hui , uj i +
2 i,j=1 i,j=1 i,j=1
1 B+I B+I B+I B+I
"B+I #
2 2
X X X X X
= kui k (−Sij ) + 2 Sij hui , uj i + kuj k (−Sij )
2 i=1 j=1 i,j=1 j=1 i=1
1 B+I B+I
kui k2 −Sii +
X X X
= (−Sij ) + 2 Sij hui , uj i
2 i=1 j6=i i,j=1
B+I
kuj k2 −Sjj +
X X
+ (−Sij )
j=1 i6=j
B+I
X
= Sij hui , uj i.
i,j=1
Onde ui = umink (pi ) é o valor da aplicação umink sobre o vértice pi , A(Mk ) é o conjunto das
arestas da superfície Mk e os ângulos αij e βij são os ângulos oposto a aresta (i, j) ∈ A(Mk ).
Por outro lado, se considerarmos U = [uji ] onde uji = ujmink (pi ) é o valor da j-ésima
função coordenada de umink sobre o vértice pi , temos que
u1 . . . u1B+I S1,1 . . . S1,B+I u11
1
u21 u31
. .. .. .. .. ..
U T SU = u21 . . . u2B+I .. . . . . .
u31 . . . u3B+I SB+I,1 . . . SB+I,B+I u1B+I u2B+I u3B+I
P
B+I 1 PB+I 1 PB+I 1
uS uS ... uS u1 ... u31
i=1 i i1 i=1 i i2 i=1 i iB+I
1
.. .. .. .. .. .. ..
= . . . . . . .
PB+I 3 PB+I 3 PB+I 3 1 3
i=1 ui Si1 uS
i=1 i i2 ... i=1 ui SiB+I uB+I . . . uB+I
P PB+I 3 PB+I 1
B+I 1 PB+I 1
u u S ij ... u u S ij
j=1 j i=1 i j=1 j i=1 i
.. .. ..
=
. . .
PB+I 1 PB+I 3 PB+I 3 PB+I 3
j=1 uj i=1 ui Sij ... j=1 uj i=1 ui Sij
P
B+I PB+I
u1 u1 S ... u1i u3j Sij
i,j=1 i j ij i,j=1
.. .. ..
=
. . .
PB+I 3 1 PB+I 3 3
i,j=1 ui uj Sij . . . i,j=1 ui uj Sij
46 Capítulo 3. Aspectos Numéricos
donde
B+I B+I B+I
u1i u1j Sij + u2i u2j Sij + u3i u3j Sij
X X X
tr(U T ST ) =
i,j=1 i,j=1 i,j=1
B+I
Sij u1i u1j + u2i u2j + u3i u3j
X
=
i,j=1
B+I
X
= Sij < ui , uj > .
i,j=1
Logo,
tr(U T SU ) = ED (umink )
Como consequência, seja uji o valor da j-ésima função coordenada de umink sobre o vértice
pi , o gradiente da Energia de Dirichlet com respeito a variável ui é expresso da seguinte
forma
" # " #
∂ ∂ ∂ ∂
∇ui ED (umink ) = E (u
1 D mink
), 2 ED (umink ), 3 ED (umink ) = ED (umink )
∂ui ∂ui ∂ui ∂uji
B+I
Sil u1l , u2l , u3l
X
= 2
l=1
B+I
X
= 2 Sil Ul ,
l=1
∂
ED (umink )|X=P = Q,
∂ X̃
onde Q ∈ MB+I,3 (R) é definida como
Qi = [0 0 0] ;i ≤ B
B B+I
X X ,
Qi = [2 Sij pj + Sij xj ] ; i > B
j=1 j=B+1
U T SU = 0 ⇔
X X
Sij hui , uj i = 0
pi ∈M j∈Vi
onde 0 representa a matriz nula 3 × 3. Agora, como todos ângulos internos dos
triângulos pertencem ao intervalo 0, π2 , temos que hui , uj i > 0 ∀pi ∈ M, j ∈ Vi . Portando
U T SU = 0 ⇔ U = 0 ∈ R(B+I)×3 .
E, da forma que é definida a submatriz S II de S, podemos afirmar que ela também
é simétrica positiva definida, basta tomar UI com os vértices internos de M e notar que
UIT S II UI = 0 se, e somente se, UI = 0 ∈ RI×3 . Portanto o sistema linear
S II x = −S IB p
(Eq. 3.1) é simétrico positivo definido, e podemos afirmar que ele possui solução e ela é
única.
Ax = b; A = S II e b = −S IB p
Mk+1
Demonstração. Dizer que não se tem triângulos degenerados significa, por definição, que
os ângulos de todos triângulos em toda superfície Mk são uniformemente limitados entre 0
e π. Assim, estamos trabalhando sobre um conjunto compacto de superfícies.
3.1. O Algoritmo 49
Area(Mk ) = ED (id|Mk )
≥ ED (umink−1 )
= Area(Mk+1 ) + EC (umink−1 )
≥ Area(Mk+1 )
= ED (umink ),
onde umini é o mínimo do funcional da Energia de Dirichlet sobre o conjunto Si das funções
contínuas e lineares por partes sobre Mi . Temos então que
0 ≤ Area(Mk+1 ) ≤ Area(Mk ) ≤ Area(M0 )
0 ≤ E (u
D mink : Mk → Mk+1 ) ≤ ED (umink−1 : Mk−1 → Mk ) ≤ ED (umin0 : M0 → M1 ).
Então, a sequência (Mk ) possui uma subsequência convergente uniformemente para uma
superfície triangulada M ∗ ∈ M, isto é, |Mk − M ∗ | → 0, onde a norma utilizada é o máximo
da distância entre os vértices correspondentes. Resta mostrarmos que M ∗ é uma Superfície
Mínima Discreta. Seja
Fk : M −→ R
1 XZ
M −→ Fk (M ) := ED (u : Mk → M ) = k∇u|T k2 dx; x = (x, y, z) ∈ T.
2 T ∈T T
∇Fk|Mk+1 = 0.
⇓
∇Fk|Mk ≤ smax |Mk − Mk+1 |2
Proposição 3.3. Seja A ∈ Mn (R) uma matriz simétrica positiva definida e b ∈ Rn . Então
a solução do sistema Ax = b é o único ponto que minimiza o funcional quadrático
1
f (y) = < Ay, y > − < b, y > .
2
Demonstração. Considerando uma matriz A ∈ Mn (R) simétrica positiva definida, então
A é inversível e o sistema linear Ax = b possui uma única solução x.
Temos que
1
f (y) − f (x) = 2
< Ay, y > − < y, b > − 21 < Ax, x > + < x, b >
1
= 2
< Ay, y > − < Ax, y > − 21 < Ax, x > + < Ax, x >
1
= 2
< Ay, y > − < Ax, y > + 12 < Ax, x >
1
= 2
< Ay, y > − 21 < Ax, y > − 21 < Ax, y > + 12 < Ax, x >
1
= 2
< A(y − x), y > − 21 < A(y − x), x >
1
= 2
< A(y − x), y − x > .
< A(y − x), y − x >> 0 e < A(y − x), y − x >= 0 se, e somente se, y = x. Portanto
f (y) > f (x) para todo y 6= x e o mínimo de f ocorre em x.
3.2. O Método do Gradiente Conjugado como Método de Descida Acentuada 51
Assim, teremos
xk+1 = xk + αk pk .
< pk , rk >
αk = .
< pk , Apk >
g:R→R
α → f (xk + αpk ).
Agora, vamos mostrar que o funcional g nada mais é que uma equação de segundo grau
<pk ,rk >
em α e que seu mínimo ocorre em αk = <p k ,Apk > como desejado. Note que,
b
Logo o mínimo de g ocorre no ponto − 2a da parábola y = aα2 + bα + c, que é dado
por
< rk , pk >
αk = .
< Apk , pk >
Gostaríamos ainda que xk seja diferente de xk+1 para que tenhamos f (xk+1 ) < f (xk ),
para isso é necessário que αk seja diferente de zero. Note que αk se anula se, e somente se,
< pk , rk > se anular, ou seja, se a direção de busca for ortogonal ao resíduo. Então para
conseguirmos o que almejamos devemos escolher uma direção de busca pk que não seja
ortogonal ao resíduo rk .
O que irá determinar a diferença entre o método de descida acentuada e o método
do gradiente conjugado é exatamente a escolha do vetor de busca pk . Uma escolha mais
apropriada fará com que o método convirja mais rápido ou não para solução.
De acordo com o cálculo diferencial a direção que uma função cresce a uma taxa
mais rápida é na direção de seu vetor gradiente, portanto se considerarmos o negativo de
seu vetor gradiente será a direção em que a função decresce a uma taxa mais rápida. Essa
é a ideia do Método de Descida Mais Acentuada, onde consideramos a direção de
busca como
pk = −∇f (xk ) = b − Axk = rk .
xk+1 = xk + αk rk ,
< rk , rk >
onde αk = .
< Ark , rk >
Vamos agora, mostrar que o método de descida acentuada converge de fato, e antes
de enunciarmos o Teorema que irá provar esse fato vamos enunciar alguns argumentos que
vamos utilizar na demonstração de tal Teorema.
Observação 3.5. Se A ∈ Mn (Rn ) é uma matriz simétrica positiva definida, então ela
define um produto interno em Rn × Rn e, consequentemente, uma norma em Rn , dados
por:
<, >A : Rn × Rn → R
(u, v) → < u, v >A =< u, Av >=< Au, v >,
e
k.kA : Rn → R
√ √
v → kvkA = < u, u >A = < u, Au >.
e k = x − xk
rk+1 ⊥ pk
e
e k+1 ⊥A pk .
rk+1 ⊥ rk
e
e k+1 ⊥A rk .
Teorema 3.10. Seja A ∈ Mn (R) simétrica positiva definida, λmax , λmin seu maior e
menor autovalor, respectivamente. Então o erro algébrico do método de descida acentuada
dado por e k = x − xk , satisfaz a estimativa
!k
k λmax − λmin
ke kA ≤ ke 0 kA .
λmax + λmin
e, portanto, o método de descida acentuada converge qualquer que seja o chute inicial x0 .
ke k+1 k2A =< e k+1 , e k+1 >A =< e k+1 , e k >A −αk < e k+1 , rk >A =< e k+1 , e k >A
=< e k+1 , Ae k >=< e k+1 , rk > .
Agora utilizando o Lema 3.7,
Logo a sequência de iterados (xk ) converge para a solução x qualquer que seja o
chute inicial x0 dado.
xk = x0 + α1 x1 + . . . + αk−1 xk−1 .
Teorema 3.11. Seja A ∈ Mn (R) uma matriz simétrica positiva definida e b ∈ Rn . Então
o funcional quadrático associado ao sistema Ax = b pode ser reescrito da forma
1 1
f (y) = kek2A − kxk2A ,
2 2
onde x é a solução do sistema Ax = b e e = x − y é o erro algébrico. Em particular,
minimizar o funcional quadrático equivale a minimizar a A-norma do erro algébrico.
e k = x − xk
= x − x0 − (α0 p0 + α1 p1 + . . . + αk−1 pk−1 ).
Pk−1
= e 0 − i=0 α i pi .
3.2. O Método do Gradiente Conjugado como Método de Descida Acentuada 55
De acordo com o Teorema 3.11 e o Corolário 3.12, encontrar uma boa aproximação
da solução x do sistema linear Ax = b simétrico positivo definido, equivale a encontrar
uma melhor aproximação do vetor e 0 = x − x0 no subespaço Wm =< p0 , p1 , . . . , pm−1 >.
E para garantir a existência dessa melhor aproximação e caracterizá-la, basta
considerar o Lema da Melhor Aproximação:
Lema 3.13 (Lema de Melhor Aproximação). Sejam A ∈ Mn (R) simétrica positiva definida,
v ∈ Rn e W um subespaço de Rn . Então, existe um único vetor w ∈ W que satisfaz
v − w ⊥A W.
e k = e 0 − p ⊥A pi ; ∀ i = 1, 2, . . . , k − 1.
Logo, a cada passo desejamos que o erro algébrico seja A-perpendicular à todos
vetores de busca anteriores. O Lema 3.8 garante que
e k ⊥A pk−1 .
ou seja, garantimos que o erro algébrico é A-perpendicular ao último vetor de busca pk−1 .
Esquema da construção do Gradiente Conjugado:
2. Faça uma busca exata na reta {x0 +tp0 | t ∈ R} e determine α0 definido na Proposição
3.4 como
< p0 , r0 > < r0 , r0 >
α0 = =
< p0 , Ap0 > < r0 , Ar0 >
Assim, x1 = x0 + α0 p0 .
56 Capítulo 3. Aspectos Numéricos
3. Determinar p1 :
O Lema 3.8 nos garante que e1 ⊥A p0 , e considerando que será feita uma busca exata
na reta, também teremos que e 2 ⊥A p1 . Como
e 2 = x − x2 = e 1 − α 1 p 1 .
⇓
< e 2 , p0 >A =< e 1 , p0 >A −α1 < p1 , p0 >= −α1 < p1 , p0 > .
Logo, para que tenhamos e 2 ⊥A p0 , basta que p1 seja conjugado a p0 . Para isso
vamos escolher
< r1 , p0 >A 0
p1 = r 1 − p,
< p0 , p0 >A
onde < r1 , p0 >A /< p0 , p0 >A é dado pelo algoritmo de Gram-Schmidt.
4. Faça uma busca exata na reta {x1 + tp1 | t ∈ R} e determine α1 como na Proposição
3.4 e x2 = x1 + α1 p1 .
5. Determinar pm :
e m+1 = e m − αm pm
⇓
< e m+1 , pi >A =< e m , pi >A −αm < pm , pi >A
⇓
< e m+1 , pi >A = −αm < pm , pi >A .
Portanto, para que e m+1 ⊥A pi para todo i = 1, . . . , m basta que pm seja A-
perpendicular com a todos vetores de busca anteriores. Para isto, tomaremos
m−1
pm = r m − cmi pi
X
i=0
onde os coeficientes cmi = < rm+1 , pi >A /< pi , pi >A são dados pelo algoritmo de
Gram-Schimdt.
Proposição 3.14. Os coeficientes cmi utilizados para gerar o vetor de busca pm no método
Gradiente Conjugado são nulos; exceto, talvez, para i = m.
3.2. O Método do Gradiente Conjugado como Método de Descida Acentuada 57
e j ⊥A Kj (A, r0 ) e rj ⊥ Kj (A, r0 )
Uma vez que, para todo i = 1, . . . , m−1, temos que cmi = < rm+1 , pi >A /< pi , pi >A ,
devemos mostrar que < rm+1 , Api >= 0 . Mas < p0 , . . . , pm−1 >=< r0 , Ar0 , . . . , Am−1 r0 >,
implica que
Api ∈< Ap0 , . . . , Api >=< Ar0 , . . . , Ai+1 r0 >⊂ Ki+1 (A, r0 ) ⊂ Km+1 (A, r0 )
xm+1 = xm + αm pm ,
m+1 m
onde αm é obtida através da busca exata na reta e pm = rm+1 − <r<pm ,p,pm >>AA . Com mais
algumas manipulações na equação que define pm , conseguimos uma formulação que só
dependerá dos resíduos e do vetor de busca anterior, dada por
Teorema 3.15. Seja A ∈ Mn (R) uma matriz simétrica positiva definida. Então o método
Gradiente Conjugado converge, no máximo, em n iterações.
rn = 0
b − Axn = 0.
√ !k
k 0 κ−1
ke kA ≤ 2ke kA √
κ+1
λmin
onde κ = λmax
, a razão entre o menor e o maior autovalor de A.
4 Resultados
Cabe ressaltar que E1 , como vimos no capítulo anterior, é utilizado como critério de
parada para algoritmo: Se E1 = kArea(Mk−1 )−Area(Mk )k < , para > 0 suficientemente
pequeno, então o algoritmo é encerrado. Tomamos = 1E − 04 como tolerância para nosso
critério de parada.
O segundo critério de comparação só poderá ser calculado quando conhecermos a
superfície mínima, ou melhor, a área da superfície mínima que é solução do Problema de
Plateau com tal fronteira fixada. O critério é obtido tomando a norma da diferença entre
a área da superfície obtida a cada iteração e a área da superfície mínima contínua:
Por último, também sabemos que uma superfície mínima também é caracterizada
por ter curvatura média nula. Por isso, em alguns casos também iremos observar o
comportamento da curvatura média discreta da sequência (Mk ) de superfícies trianguladas.
Em cada vértice pi de uma superfície triangulada Mk , a curvatura média discreta é dada
60 Capítulo 4. Resultados
por:
1 X
H(pi ) = k [cot(αij ) + cot(βij )] (pi − pj ) k, (4.3)
4Ai j∈Vi
αij e βij são os ângulos opostos a aresta (i, j) ∈ A(Mk ), e Ai é a área da região de Voronoi
do ponto pi . Uma forma de calcular Ai pode ser vista em (MESMOUDI; FLORIANI;
MAGILLO, 2012).
4.1.1 Ponto-Plano
A superfície inicial escolhida neste primeiro exemplo é chamada Ponto-Plano. Esta
superfície possui quase todos os pontos no plano z = 0, exceto pelo seu ponto central
x = y = 0 que está a uma altura h = 0, 1cm deste plano. A fronteira fixada é composta
pelos pontos pertencentes ao conjunto {(x, y, z) ∈ ∂[−1, 1]2 × {0}}.
Figura 14 – A superfície inicial (à esquerda, a fronteira (centro) e a superfície miníma discreta (direita)
obtida pelo algoritmo em apenas dois passos.
4.1.2 Semi-Esfera
A superfície inicial utilizada neste exemplo (Figura 15a) foi a semi-esfera de raio
r = 1cm dada pelos pontos pertencentes ao conjunto
{(x, y, z) ∈ R3 | x2 + y 2 + z 2 = 1 e z ≥ 0}
Figura 15 – (a) A superfície inicial M0 com 1741 pontos, onde a cor representa a distância do vértice
ao plano xy, ou seja, a coordenada z. (b) Destacamos os vértices e arestas da fronteira de
∂M0 . (c) Superfície mínima discreta M2 obtida pelo algoritmo.
62 Capítulo 4. Resultados
4.2.1 Re(z 2 )
O primeiro exemplo de superfície mínima como imagem de uma aplicação sobre
um domínio complexo é dada pelos pontos (x, y, f (x, y)), onde
A superfície inicial deste exemplo foi gerada a partir de uma leve perturbação nos pontos
da superfície mínima discreta com 121 pontos (Figura 16). A fronteira é ilustrada ao centro
4.2. Exemplo 2: Superfícies Complexas 63
M ∂M0 M2
0
Figura 16 – Da esquerda para a direita, a superfície inicial M0 com 121 pontos; a curva que define a
fronteira da superfície miníma durante o algoritmo ∂M0 ; e a superfície M2 obtida pelo
nosso algoritmo.
4.2.2 Im(z 4 )
Outro exemplo de superfície mínima como imagem de uma aplicação sobre um
domínio complexo é dado pelos pontos (x, y, f (x, y)), onde
f : R2 → R; f (x, y) = Im (x + iy)4 = 4x3 y − 4xy 3
Na figura 17 temos a superfície inicial utilizada, com 121 pontos e a fronteira com
respeito a superfície mínima, que é fixado ao longo das iterações. Está superfície inicial,
assim como a superfície inicial tomada no caso anterior, foi produzida por meio de uma
pequena perturbação nos vértices da superfície mínima discreta.
64 Capítulo 4. Resultados
M0 ∂M0 M47
Figura 17 – À esquerda temos a superfície inicial M0 com 121 pontos, ao centro a fronteira ∂M0 a ser
fixada ao longo do algoritmo e à direta temos a superfície M47 obtida pelo nosso algoritmo.
Na Figura 18a vemos que o critério E1 converge para zero ao longo das iterações,
indicando a convergência do algoritmo. O critério E2 cresce após a segunda iteração e logo
depois se estabilizar. Ao olharmos para a Figura 18b, concluímos que isso ocorre porque
a área da superfície obtida ao longo das iterações está cada vez menor do que a área da
superfície mínima.
0.7
0.16
0.14
E1 2.84
0.6 0.12
E2 2.84
0.1
Area
0.08
2.82 2.82
Energia
0.5 0.06
2.8
Area da Superficie
2.78
0.04
2.8
0.02 2.76
0.4 0 2.74
40 45 47 2.78
2.72
2.7
0.3 2.76 40 45 47
0.2 2.74
2.72
0.1
2.7
0
1 5 10 15 20 25 30 35 40 45 47 1 5 10 15 20 25 30 35 40 45 47
Figura 19 – (a) Superfície inicial M0 com 448 pontos e (b) a fronteira da superfície mínima ∂M0 que é
utilizada como condição de contorno no algoritmo.
Figura 20 – Sequência de algumas superfícies obtidas ao longo das iterações: M4 (esquerda), M9 (centro)
e a superfície final M19 (direita).
Como não tínhamos de antemão a superfície mínima com tal fronteira, não foi
possível analisarmos o comportamento do critério E2 . O critério de comparação E1 , como
é possível observar na Figura 21a, está convergindo para zero ao longo das iterações,
assegurando que o algoritmo está convergindo.
Na figura 21b, o funcional da Área e da Energia de Dirichlet parecem convergir
para o mesmo valor. Na última iteração a diferença entre o valor da Energia de Dirichlet e
a Área é de 3.7279E − 05.
66 Capítulo 4. Resultados
2.4721
2.4721
Area
2.4721 Energia
2.4721
2.4721
2.4721
2.4721
2.472
300 305 310 315 320
Figura 21 – Dados obtidos tomando a superfície da Figura 19a como superfície inicial e
tomando a curva da Figura 19b como condição de contorno.
Figura 22 – Duas discretizações da superfície definida por três quadrados nos planos x = 0,
x = 1 e z = 1.
120
Superficie 1
Superficie 2
100
80
Tempo (min)
60
40
20
0
1e−02 1e−4 1e−6
Tolerância
Figura 23 – Relação entre o tempo que o algoritmo levou para convergir tomando as tolerâncias
= 1E − 02, 1E − 04, 1E − 06, para cada superfície inicial.
Figura 24 – À esquerda temos a superfície M0 com 1360 pontos, tomada como aproximação inicial para
o nosso algoritmo, e à direita ilustramos a fronteira que é fixada ao longo do algoritmo.
68 Capítulo 4. Resultados
Figura 25 – Sequência de superfícies obtidas ao longo do algoritmo tomando = 1E −06 como tolerância
para obter uma catenóide. A coloração das superfícies varia de acordo com a média da
curvatura média dos pontos.
1.2
0.06
24.2 23.98
0.05
E1
1 E2 area
energia
24.15 23.975
0.04
analítica
0.8
0.03
24.1 23.97
0.02
0.6
0.01
24.05 23.965
0.4
0
2 3 4 5 6 7 8
23.96
0.2 24 3 4 5 6 7 8
0
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Figura 26 – Dados obtidos tomando a superfície da Figura 24a como superfície inicial e
= 1E − 06 como tolerância.
4.4. Exemplo 4: Catenóide 69
No gráfico da Figura 26a podemos observar que o critério E1 converge para zero
ao longo das iterações, mostrando a convergência do algoritmo. O critério E2 parece estar
convergindo para zero, mas da terceira para a quarta iteração vemos que ele começa
a aumentar, se olharmos para o gráfico na Figura 26b vemos que isso ocorre porque a
sequência de superfícies gerada após a terceira iteração possui área menor do que a área
da catenóide.
Além de analisar o comportamento dos erros E1 e E2 e dos funcionais da Área e
Energia, podemos no caso da catenóide analisar o comportamento, do Raio, que é dado
pelo raio r da circunferência C = {(x, y, z) ∈ R3 / x2 + y 2 = r2 e z = 0}. Na catenóide esse
raio é dado pelo valor de a, onde y = a cosh az .
Na figura 27 vemos que o algoritmo converge para uma superfície que possui o
Raio menor do que o Raio da catenóide, por isso a superfície M8 possui área menor do
que a área da catenóide, como vimos na Figura 26b.
1.78 1.6978
1.6976 Raio M k
1.77
1.6974
Raio
1.76 1.6972
1.697
1.75
1.6968
1.6964
1.73
1.6962
1.72 1.696
5 6 7 8
1.71
1.7
1.69
1 2 3 4 5 6 7 8
z
Figura 27 – A esquerda o exemplo do Raio de uma catenóide e o gráfico da Catenária y = a cosh , a
à direita o gráfico comparando o valor do Raio da sequência de superfícies Mk gerada ao
longo do algoritmo com o Raio da catenóide.
23.97 1.697
23.965 1.696
Cilindr o 4 Cilindr o 3 Cilindr o 4
Cilindr o 3
1.695
23.96
Cilindr o 2 1.694 Cilindr o 2
23.955
1.693
23.95
1.692
23.945 1.691
23.94 1.69
1.689
23.935 Ár ea da Cat enóide Raio da Cat enóide
Cilindr o 1 Ár ea de M k 1.688 Raio de M k
Cilindr o 1
23.93
1 2 3 4 1 2 3 4
Figura 29 – Os gráficos ilustram as áreas (esquerda) e os Raios (direita) das superfícies obtidas pelo
algoritmo a partir das diferentes superfícies iniciais tomadas de acordo com a Figura 28
De acordo com a Figura 29, notamos que, a medida que refinamos a discretização
da topologia inicial, isto é, aumentamos o número de vértices na superfície inicial, obtemos
uma melhor aproximação da superfície mínima que possui tal fronteira. Os valores da área
e do Raio da superfície final obtida pelo algoritmo em cada caso, se aproximam dos valores
da área e do Raio da catenóide a medida que aumentamos o números de pontos em nossa
aproximação inicial.
4.5. Exemplo 5: Scherk 71
M0 ∂ M0
Figura 30 – Dados iniciais do algoritmo: (a) superfície inicial M0 com 361 pontos e (b) fronteira da
superfície ∂M0 .
Figura 31 – Sequência de superfícies obtidas durante o algoritmo tomando como dados iniciais a
superfície inicial e a fronteira ilustradas na Figura 30.
72 Capítulo 4. Resultados
21.1 19,63
1.6 0.04
21
0.035
1.4 0.03
20.8 Area
0.025 E1 Energia
E2 Area da Superficie
0.02
1.2 20.6
0.015 19,6
0.01
1 0.005 20.4
0
120 136 19.582
0.8 20.2
120 136
0.6 20
0.4 19.8
0.2 19.6
0 19.4
0 20 40 60 80 100 120 136 0 20 40 60 80 100 120 136
Figura 33 – Superfície inicial M0 com 133 pontos (à esquerda) e a fronteira ∂M0 (à direita).
4.6. Exemplo 6: Limitações 73
É importante notar que está superfície inicial não é uma superfície triangulada
como definimos. Existem arestas que são compartilhadas por três triângulos, isto faz com
que o conjunto estrela de um vértice extremo de uma dessas arestas não seja isomorfo ao
disco unitário.
Mesmo não sendo o tipo de superfície sobre a qual foi fundamentado nosso trabalho,
quando tomamos = 1E − 03 como tolerância, o algoritmo convergiu em apenas duas
iterações. Como não conhecíamos de antemão a superfície mínima que possui tal fronteira,
não foi possível observar o comportamento do critério E2 . Na Figura 34, vemos a superfície
final obtida pelo algoritmo e o comportamento de E1 ao longo das iterações, garantindo a
convergência no algoritmo neste caso.
−1
10
E1
−2
10
M2
−3
10
1 2
Figura 35 – Superfície inicial utilizada (à esquerda) e uma das superfícies obtida ao longo
do algoritmo (à direita) tomando = 1E − 04 como tolerância.
inicial M0 como aproximação inicial pode ser bastante árdua em alguns casos. Por exemplo,
no Exemplo 2 para tomarmos uma superfície inicial foi necessário perturbar os vértices
da própria superfície mínima (Figura 36). As superfície devem estar bem estruturados
em se tratando de ângulos, se os ângulos internos de seus triângulos forem próximos ou
maiores que 90o graus o algoritmo pode se portar de forma indesejada, principalmente no
momento em que usamos o Gradiente Conjugado para solucionar o sistema linear.
(a) Superfície mínima discreta determi- (b) Superfície inicial obtida perturbando
nada pela aplicação Re(z 2 ). os vértices da superfície na Figura 36a
(c) Superfície mínima discreta determi- (d) Superfície inicial obtida perturbando
nada pela aplicação Im(z 4 ). os vértices da superfície na Figura 36d
1.2
0.8
0.6
0.4
0.2
0
0 20 40 60 80 100 120 140 160
(a) Superfície inicial M0 utilizada como aproxi- (b) Comportamento do critério E1 ao longo das
mação inicial. iterações.
Conclusão
A análise feita à respeito da Catenóide (Figura 29) mostra que quanto maior o
número de vértices na topologia inicial melhor será a aproximação da solução, ou seja,
quanto mais discretizada tomamos nossa superfícies inicial, melhor a aproximação da
superfície mínima que iremos obter. Mostrando que o problema encontrando em alguns
casos, quando a sequência de superfícies obtidas ao longo do algoritmo vai ficando com área
menor do que a área da superfície minima, pode ser corrigido refinando mais a superfície
inicial. Porém, no gráfico da Figura 23, a análise feita relacionando o número de vértices
da superfície inicial com o tempo que o algoritmo leva para convergir, concluímos que uma
topologia inicial mais refinada pode necessitar de muito mais tempo para convergir.
Portanto, a medida que aumentamos o número de vértices na superfície tomada
como aproximação inicial, conseguimos uma aproximação melhor da superfície mínima
com tal fronteira, porém demanda muito mais custo computacional.
Em trabalhos futuros gostaríamos de trabalhar mais a esparsidade do sistema linear
oriundo do método desenvolvido por Pinkall e Polthier e o condicionamento da matriz.
Depois, relacionar todos resultados com os que serão obtidos utilizando a nuvem de pontos
ao invés de uma superfície triangulada
77
Referências
BAJD, T.; MIHELJ, M.; MUNIH, M. Introduction to Robotics. [S.l.]: Springer, 2013.
Citado na página 32.
BRENNER, S. C.; SCOTT, R. The mathematical theory of finite element methods. [S.l.]:
Springer, 2008. Citado na página 28.
CIARLET, P. G. The finite element method for elliptic problems. [S.l.]: Elsevier, 1978.
Citado na página 28.
GOLUB, G.; LOAN, C. V. Matrix Computations. [S.l.]: Johns Hopkins University Press,
1996. (Johns Hopkins Studies in the Mathematical Sciences). Citado 2 vezes nas páginas
50 e 58.
HUTCHINSON, J. E. Computing conformal maps and minimal surfaces. In: Proc. Centr.
Math. Anal., Canberra. [S.l.: s.n.], 1991. v. 26, p. 1405161. Citado na página 30.
PINKALL, U.; POLTHIER, K. Computing discrete minimal surfaces and their conjugates.
Experimental mathematics, Taylor & Francis, v. 2, n. 1, p. 15–36, 1993. Citado 3 vezes
nas páginas 20, 43 e 59.
RADÓ, T. The problem of the least area and the problem of plateau. Mathematische
Zeitschrift, Springer, v. 32, n. 1, p. 763–796, 1930. Citado 2 vezes nas páginas 19 e 30.
TSUCHIYA, T. Discrete solution of the plateau problem and its convergence. Mathematics
of computation, v. 49, n. 179, p. 157–165, 1987. Citado na página 29.